基于信任集合引导的批量主动学习
机器学习
2026-04-15 v1
摘要
批量主动学习 (BAL) 是减少大规模深度学习模型标注成本并提高数据效率的关键技术。传统的 BAL 方法常依赖如马哈拉诺距离等指标来平衡不确定性和多样性，从而选择待标注的数据。然而，这些方法主要关注未标注数据的分布，未能充分利用来自已标注数据的反馈或模型性能。为此，我们提出TrustSet—a一种新方法，从已标注数据集中选择最具信息性的数据，同时确保类别分布平衡，以缓解长尾问题。与CoreSet聚焦于维持整体数据分布不同，TrustSet通过修剪冗余数据并利用标签信息细化选择过程来优化模型性能。为将TrustSet的优势扩展至未标注数据池，我们提出一种基于强化学习 (RL) 的采样策略，用于近似选择高质量的TrustSet候选数据。结合TrustSet与RL，我们提出了TrustSet驱动的批量强化主动学习 (BRAL-T) 框架。BRAL-T 在 10 个图像分类基准测试和 1 个主动微调任务上均实现了最先进的成绩，展示了其在各类场景中的有效性与效率。
引用
@article{arxiv.2604.12303,
title = {Labeled TrustSet Guided: Batch Active Learning with Reinforcement Learning},
author = {Guofeng Cui and Yang Liu and Pichao Wang and Hankai Hsu and Xiaohang Sun and Xiang Hao and Zhu Liu},
journal= {arXiv preprint arXiv:2604.12303},
year = {2026}
}
备注
Published as a conference paper at IJCNN 2026